Integrating AI literacy into teacher education: a critical perspective paper
Notice bibliographique
Résumé
In today’s educational landscape, equipping educators with AI literacy is crucial for creating equitable and effective learning environments. This perspective paper explores the challenges teachers face in developing AI literacy and advocates for training that goes beyond basic technical skills to include a deep understanding of AI mechanisms, applications, and ethical implications. Without this foundation, educators risk unintentionally deepening the digital divide, disadvantaging marginalized students. Using a literature-informed, narrative methodology, this paper integrates recent research and case studies, such as the U.S. E-rate program and India’s “AI for All” initiative, as models for scalable solutions to promote AI equity. The paper introduces the EQUIP Framework (Ethical Governance, Qualified Professional Learning, Unified Collaborative Partnerships, Implementation Readiness, and Progressive Adaptation) to empower educators with the knowledge, skills, and ethical principles necessary for responsible AI use in education. Key considerations for effective implementation include customizing professional learning programs, strategically allocating resources, and establishing robust monitoring and evaluation processes. By addressing counterarguments related to resource constraints, ethical concerns, and risks of overreliance on technology, the paper offers a balanced perspective and provides practical recommendations. These emphasize the importance of integrating AI literacy into teacher education programs, ongoing professional learning, and ethical guidelines to enable educators to responsibly integrate AI, advancing a more inclusive and future-ready education system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,020 | 0,048 |
| Communication savante | 0,022 | 0,016 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».